포함된 효과로 무엇을 할 것인가저는 2x2 완전 요인 연구를 실행하고 있으며 주효과와 단방향 상호작용만 모델링하려고 합니다. 아래에 표시된 대로 주효과는 그것을 포함하는 단방향 상호작용보다 덜 중요한 것으로 보입니다. 상호작용 요인 자체도 중요하지 않다는 것을 알고 있지만 과거에는 그것이 중요한 것으로 보았습니다. 과거에는 주효과를 제거하기 전에 중요하지 않은 상호작용 요인을 제거했습니다. 이에 대한 지침이 있습니까? 왜 이런 일이 일어날 수 있습니까? 데이터 세트에 이를 유발하는 특정 요소가 있습니까? 상황에서 효과를 처리하는 적절한 방법은 무엇입니까? 미리 감사드립니다.
고급 통계 모델링기본 데이터 분석 및 모델링실험 설계예측 모델링 및 머신 러닝Re: 포함된 효과를 어떻게 처리해야 하나요?저는 이러한 용어가 과거에 여기와 다른 곳에서 바뀌었다는 것을 알고 있습니다. 저는 JMP에서 사용하듯이 용어를 사용하고 있습니다.
효과 계층은 대부분 효과가 1차이고, 그 다음으로 큰 효과는 2차이고, 이런 식으로 계속된다는 자주 관찰되는 원칙입니다. 3차 효과는 다소 드뭅니다.
우리는 모델 유전을 고차 항(예측 선형 조합)이 저차 항을 포함해야 한다는 의미로 사용합니다.
당신이 틀렸다고 생각하지 않습니다. 제가 사용하는 것은 단지 JMP와 일관성이 있을 뿐입니다. 우리 모두는 특정 용어를 사용할 때 우리가 의미하는 바를 설명하는 데 주의해야 합니다. 당신은 항상 스스로를 설명합니다.
Re: 포함된 효과를 어떻게 처리해야 하나요?@Mark_Bailey , 이게 계층 원리라고 생각했습니다. 즉, 계층 원리에 따라 2차(고차) 효과가 있는 경우 1차(저차) 효과도 포함해야 합니다. 유전은 하위 효과의 중요성을 평가하여 혼란스러운 상위 효과 중 어느 것이 활성인지 결정하는 데 도움이 될 수 있는 분석 원리입니다. 유전: 상위 효과가 활성이 되려면 적어도 한 명의 부모가 활성이어야 합니다. 내가 틀렸다면 바로잡아 주세요.
Re: 포함된 효과를 어떻게 처리해야 하나요?안녕하세요 @sanch1 ,
@Mark_Bailey 의 통계적 설명은 DoE 데이터를 기반으로 모델을 구축하는 데 모델 유전이 어떻게/왜 사용되는지 이해하는 데 도움이 될 수 있습니다. 효과의 모델링과 중요성에 대한 추가 질문과 의견을 제공하고 싶습니다.
- "유의성" 또는 모델 "정확도"에 대한 평가 지표에 따라 다양하지만 유용한 모델에 도달하는 방법이 있을 수 있다는 점을 고려하세요. 효과에 대한 p-값 임계값, AICc 및 BIC와 같은 정보 기준, 조정된 R²/R², RMSE 등이 있습니다. 중요한 것은 목표와 목적(설명 및/또는 예측 모델)에 맞는 지표를 사용하는 것입니다.
- 귀하의 질문에 대해, 저는 또한 통계적 유의성과 실제적 유의성(크기 효과)을 구별할 필요성을 강조하고 싶습니다. 이전 주제에 대한 자세한 정보를 참조하세요: https://community.jmp.com/t5/Discussions/Which-one-to-define-effect-size-Logworth-or-Scaled-Estimates/mp/728779/highlight/true#M91099
신호 대 잡음비에 따라 통계적으로 일부 주효과 및/또는 상호작용 효과를 감지할 수 있습니다(또는 감지하지 못할 수 있습니다). "통제된" 환경(불쾌한 요소가 "통제"되거나 유지되는 경우)에서 높은 정밀도 측정 시스템(높은 반복성 및 재현성 정확도)을 사용하면 매우 작은 효과 크기로 효과를 감지할 수 있습니다. 이전에 연구를 수행한 조건에 따라 해당 효과를 놓친 이유를 설명할 수 있습니다.
- 실험 공간과 표본 크기는 이전 연구와 DoE로 수행한 이 연구 간에도 다를 수 있습니다. 요인, 요인 범위, 가정된 모델 및 실험 공간에서 지점의 재분할에 따라 데이터 세트의 대표성과 효과를 감지하는 능력에 차이가 있을 수 있습니다. 예를 들어, 표본 크기가 작은 매우 좁은 공간은 통계적으로 유의미한 효과를 감지하는 것을 더 어렵게 만듭니다. 2번 요점과 관련하여 매우 큰 표본은 작은 차이를 통계적으로 유의미한 차이로 변환하는 경향이 있으므로 모델 적절성을 평가하기 위해 실제적 유의성이 필요한 이유입니다.
모델에 대한 의문을 제기하고 정보를 제공하기 위해 통계적 분석과 도메인 전문 지식을 보완하는 것이 중요하며, 검증 실행을 통해 최종 모델의 예측을 확인하는 것이 중요합니다.
이러한 (전부는 아니지만) 고려 사항이 귀하가 다양한 분석에서 본 차이점을 이해하는 데 도움이 되기를 바랍니다.
Re: 포함된 효과를 어떻게 처리해야 하나요?2x2 완전 요인 연구에서는 주요 효과와 상호작용의 유의성이 요인과 요인 간 상호작용에 따라 달라질 수 있다는 것을 발견하는 것이 일반적입니다. 때때로 주요 효과는 여러 요인의 결합된 영향으로 인해 주요 효과를 포함하는 상호작용에 비해 덜 유의미 하게 보일 수 있습니다. 덜 유의미한 주요 효과가 포함된 상호작용에 직면했을 때, 더 해석 가능한 효과에 집중하기 위해 의미 없는 용어를 제거하여 모델을 단순화하는 것을 고려하세요.
Re: 포함된 효과를 어떻게 처리해야 하나요?안녕하세요 @sanch1 ,
상호작용이 활성화되어서는 안 된다고 생각할 때 활성화되어 있는 것에 대해, 모든 데이터 포인트로 상호작용 플롯을 그려서 상호작용이 활성화되어 있는 이유를 이해해 보셨나요? Søren Bisgaard & Michael Sutherland(2003) Split Plot Experiments:Taguchi's Ina Tile Experiment Reanalyzed, Quality Engineering, 16:1, 157-164)라는 논문에서 저자는 복제되지 않은 실험에 대한 이 상황을 가진 이 플롯의 예를 보여줍니다. 데이터 수집 문제나 데이터를 표에 기록하는 데 오류가 있으면 이런 효과가 발생할 수 있습니다.
Re: 포함된 효과를 어떻게 처리해야 하나요?JMP는 '모델 유전'을 존중합니다. 이 원칙은 중요하지 않더라도 하위 순위의 항을 포함해야 하며, 이를 포함하는 상위 순위의 항을 포함해야 한다고 명시합니다. 이는 반응의 기초가 되는 물리 과학이나 이론적 모델에 대한 것이 아닙니다. 실험자는 일반적으로 모델이 척도 불변적일 것으로 예상합니다. 즉, 요인의 척도를 변경해도 모델의 항은 동일하게 유지됩니다. 모델 유전을 존중하지 않으면 그렇지 않습니다. JMP는 모든 요인 수준을 [-1,1]로 코딩하는 모범 사례를 따릅니다. 따라서 계수도 코딩됩니다. 모델을 원래의 과학 또는 엔지니어링 척도로 변환할 수 있습니다. 모델 유전을 무시하면 항이 변경되는 것을 관찰할 수 있습니다.
